Precise pollen grain detection in bright field microscopy using deep learning techniques

Abstract

La determinación de las concentraciones diarias de polen atmosférico es importante en los ámbitos médico y biológico. La obtención de concentraciones de polen es una tarea compleja que requiere mucho tiempo y personal especializado. La localización automática de los granos de polen es un hándicap debido a la alta complejidad de las imágenes a procesar, con granos de polen polimórficos y aglomerados, polvo o detritos. El objetivo de este estudio es analizar la viabilidad de implementar un sistema fiable de detección de granos de polen basado en una arquitectura de red neuronal convolucional, que se utilizará posteriormente como parte fundamental de un sistema automatizado de estimación de la concentración de polen. Utilizamos un conjunto de entrenamiento de 251 vídeos para entrenar nuestro sistema. Como los vídeos graban el proceso de enfoque de las muestras, este sistema hace uso de la información 3D presentada por varios planos focales. Además, se utilizó otro conjunto de 135 vídeos (que contenían 1234 granos de polen de 11 tipos de polen) para evaluar el rendimiento de la detección. Los resultados son prometedores en cuanto a detección (98,54% de recuerdo y 99,75% de precisión) y exactitud de localización (0,89 IoU como valor medio). Estos resultados sugieren que esta técnica puede proporcionar una base fiable para el desarrollo de un sistema automatizado de recuento de polen.

The determination of daily concentrations of atmospheric pollen is important in the medical and biological fields. Obtaining pollen concentrations is a complex and time-consuming task for specialized personnel. The automatic location of pollen grains is a handicap due to the high complexity of the images to be processed, with polymorphic and clumped pollen grains, dust, or debris. The purpose of this study is to analyze the feasibility of implementing a reliable pollen grain detection system based on a convolutional neural network architecture, which will be used later as a critical part of an automated pollen concentration estimation system. We used a training set of 251 videos to train our system. As the videos record the process of focusing the samples, this system makes use of the 3D information presented by several focal planes. Besides, a separate set of 135 videos (containing 1234 pollen grains of 11 pollen types) was used to evaluate detection performance. The results are promising in detection (98.54% of recall and 99.75% of precision) and location accuracy (0.89 IoU as the average value). These results suggest that this technique can provide a reliable basis for the development of an automated pollen counting system.